CN117237800A - 基于人工智能的作物生长监控方法及计算机设备 - Google Patents
基于人工智能的作物生长监控方法及计算机设备 Download PDFInfo
- Publication number
- CN117237800A CN117237800A CN202310962431.5A CN202310962431A CN117237800A CN 117237800 A CN117237800 A CN 117237800A CN 202310962431 A CN202310962431 A CN 202310962431A CN 117237800 A CN117237800 A CN 117237800A
- Authority
- CN
- China
- Prior art keywords
- carrier
- image
- crop growth
- growth
- representation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 194
- 230000036541 health Effects 0.000 claims abstract description 149
- 238000000605 extraction Methods 0.000 claims abstract description 123
- 230000003287 optical effect Effects 0.000 claims abstract description 46
- 239000003102 growth factor Substances 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 36
- 238000007670 refining Methods 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 14
- 230000000873 masking effect Effects 0.000 claims description 14
- 239000000969 carrier Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 24
- 238000003860 storage Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 15
- 238000005065 mining Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 241000238631 Hexapoda Species 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于人工智能的作物生长监控方法及计算机设备，在获取了监控设备拍摄的当前作物生长图像的图像要素表示载体以及历史作物生长图像的图像要素表示载体后，将各表示载体输入生长要素提炼模型以获得当前作物生长图像的光流信息要素表示载体；再进行特征提取操作得到当前作物生长图像的特征提炼要素表示载体后，通过作物生长监控模型检测得到当前作物生长图像的作物生长状态，能基于作物生长状态表征当前作物生长图像对应的各个作物部位的健康检测结果。本申请同时将当前作物生长图像的图像要素表示载体和相应的光流信息要素表示载体进行分析，减少对当前作物生长图像进行生长状态检测得到的作物生长状态的误检，增加检测的准确度。
Description
技术领域
本申请涉及人工智能、图像处理领域，具体而言，涉及一种基于人工智能的作物生长监控方法及计算机设备。
背景技术
作物病虫害智能监测预警是目前人工智能在农业领域的热门应用，其是基于物联网技术，动态监测田间作物的病虫情、墒情、苗情、及灾情的监测过程。可以通过移动端和PC端随时随地访问田间的实时数据并进行管理，对每个监测点的环境、气象、病虫状况、作物生长情况等进行实时监测。结合系统预警模型，可以对作物实时远程监测与诊断，并获得智能化、自动化的解决方案，实现作物生长动态监测和人工远程管理，保证农作物在适宜的环境条件下生长，提高农业生产力，增加农民收入。其中，重要的一环是对物联网采集的目标作物的图像进行计算机视觉识别，产生病害往往是一个动态持续的过程，如何精确确定病虫害等作物异常是需要解决的技术问题，而这个过程因为是动态进行的，前一过程识别的异常结果对后一过程的检测结果会构成影响，使得当前图像检测的结果受到扰动，引起更多的误检。
发明内容
本发明的目的在于提供一种基于人工智能的作物生长监控方法及计算机设备，以改善以上的技术问题，减少误检。
本申请实施例的技术方案是这样实现的：
第一方面，本申请实施例提供了一种基于人工智能的作物生长监控方法，应用于计算机设备，所述计算机设备与监控设备通信连接，所述方法包括：
获取所述监控设备拍摄的目标作物的当前作物生长图像和历史作物生长图像；
获取所述当前作物生长图像的图像要素表示载体以及历史作物生长图像的图像要素表示载体；其中，所述历史作物生长图像为拍摄于所述当前作物生长图像前的至少一张作物生长监控图像；
将所述当前作物生长图像的图像要素表示载体、所述历史作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到所述当前作物生长图像的光流信息要素表示载体；
对所述当前作物生长图像的图像要素表示载体进行特征提取操作，得到所述当前作物生长图像的特征提炼要素表示载体；
基于作物生长监控模型对所述当前作物生长图像的特征提炼要素表示载体和所述当前作物生长图像的光流信息要素表示载体进行生长状态检测，得到所述当前作物生长图像的作物生长状态，所述作物生长状态用以反映所述当前作物生长图像对应的各个作物部位的健康检测结果。
作为一种实施方案，所述将所述当前作物生长图像的图像要素表示载体、所述历史作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到所述当前作物生长图像的光流信息要素表示载体，包括：
将所述当前作物生长图像的图像要素表示载体作为所述生长要素提炼模型的执行数据，得到所述当前作物生长图像的生长状态要素表示载体；
将所述历史作物生长图像的图像要素表示载体作为所述生长要素提炼模型的执行数据，得到所述历史作物生长图像的生长状态要素表示载体；
将所述当前作物生长图像的生长状态要素表示载体和所述历史作物生长图像的生长状态要素表示载体进行聚合操作，得到所述当前作物生长图像的光流信息要素表示载体。
作为一种实施方案，所述基于所述作物生长监控模型对所述当前作物生长图像的特征提炼要素表示载体以及所述当前作物生长图像的光流信息要素表示载体进行生长状态检测，得到所述当前作物生长图像的作物生长状态，包括：
将所述当前作物生长图像的特征提炼要素表示载体和所述当前作物生长图像的光流信息要素表示载体输入至所述作物生长监控模型，得到所述当前作物生长图像中每个目标区域的推测状态可信权重；
基于所述每个目标区域的推测状态可信权重确定所述当前作物生长图像的作物生长状态；
所述将所述当前作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到所述当前作物生长图像的生长状态要素表示载体，包括：
将所述当前作物生长图像的图像要素表示载体和预设尺寸的零值拼接张量进行融合操作，得到融合后的第一图像要素表示载体；
将所述融合后的第一图像要素表示载体输入至所述生长要素提炼模型中，获取所述当前作物生长图像的生长状态要素表示载体；
所述将所述历史作物生长图像的图像要素表示载体作为所述生长要素提炼模型的执行数据，得到所述历史作物生长图像的生长状态要素表示载体，包括：
将所述历史作物生长图像的图像要素表示载体和预设尺寸的零值拼接张量进行融合操作，得到融合后的第二图像要素表示载体；
将所述融合后的第二图像要素表示载体输入至所述生长要素提炼模型中，获取所述历史作物生长图像的生长状态要素表示载体。
作为一种实施方案，所述获取当前作物生长图像的图像要素表示载体，包括：
获取所述当前作物生长图像；
将所述当前作物生长图像输入图像要素表示载体抽取模型，得到所述当前作物生长图像的图像要素表示载体，其中，所述图像要素表示载体抽取模型为通过作物生长图像学习样例进行训练得到的人工智能模型。
作为一种实施方案，所述生长要素提炼模型通过以下步骤训练得到：
获取当前作物生长图像学习样例的图像要素表示载体和所述当前作物生长图像学习样例对应的健康检测结果表示载体；
对所述当前作物生长图像学习样例的图像要素表示载体进行表示载体清洗和表示载体掩盖处理，得到第一学习样例表示载体，并对所述当前作物生长图像学习样例对应的健康检测结果表示载体进行表示载体清洗和表示载体掩盖处理，得到第一健康检测结果表示载体；
获取历史作物生长图像学习样例的图像要素表示载体以及所述历史作物生长图像学习样例对应的历史健康检测结果表示载体；
对所述历史作物生长图像学习样例的图像要素表示载体进行表示载体清洗和表示载体掩盖处理，得到第一历史学习样例表示载体，并对所述历史作物生长图像学习样例对应的历史健康检测结果表示载体进行表示载体清洗和表示载体掩盖处理，得到第一历史健康检测结果表示载体；
基于所述第一学习样例表示载体、所述第一健康检测结果表示载体、所述第一历史学习样例表示载体以及所述第一历史健康检测结果表示载体，对所述生长要素提炼模型进行迭代训练。
作为一种实施方案，所述方法还包括：
将所述第一学习样例表示载体和所述第一健康检测结果表示载体输入至所述生长要素提炼模型中，以得到第一生长状态要素表示载体；
基于所述第一生长状态要素表示载体和所述当前作物生长图像学习样例的生长状态要素表示载体之间的误差，获取重建误差值；其中，所述当前作物生长图像学习样例的生长状态要素表示载体是将所述当前作物生长图像学习样例的图像要素表示载体和所述当前作物生长图像学习样例对应的健康检测结果表示载体输入所述生长要素提炼模型后获取的生长状态特征；
基于所述重建误差值修正所述生长要素提炼模型的内部变量，得到所述生长要素提炼模型。
作为一种实施方案，所述方法还包括：
将所述当前作物生长图像学习样例的图像要素表示载体、所述第一学习样例表示载体分别输入所述生长要素提炼模型，得到所述当前作物生长图像学习样例对应的生长状态要素表示载体、所述第一学习样例表示载体对应的生长状态要素表示载体；
基于所述当前作物生长图像学习样例对应的生长状态要素表示载体和所述第一学习样例表示载体对应的生长状态要素表示载体之间的误差，获取图像误差值；
基于所述图像误差值修正所述生长要素提炼模型的内部变量，得到所述生长要素提炼模型。
作为一种实施方案，所述基于所述当前作物生长图像学习样例对应的生长状态要素表示载体和所述第一学习样例表示载体对应的生长状态要素表示载体之间的误差，获取图像误差值，包括：
确定所述当前作物生长图像学习样例对应的生长状态要素表示载体和所述第一学习样例表示载体对应的生长状态要素表示载体之间的第一表示载体相似评分，以及所述当前作物生长图像学习样例对应的生长状态要素表示载体与预设图像要素表示载体之间的第二表示载体相似评分，其中，所述预设图像要素表示载体与所述当前作物生长图像学习样例不产生牵涉关系；
基于所述第一表示载体相似评分和所述第二表示载体相似评分，确定图像误差值。
作为一种实施方案，所述方法还包括：
将所述当前作物生长图像学习样例对应的健康检测结果表示载体、所述第一健康检测结果表示载体分别输入所述生长要素提炼模型，得到所述当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体、所述第一健康检测结果表示载体的生长状态要素表示载体；
基于所述当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体与所述第一健康检测结果表示载体的生长状态要素表示载体之间的误差，获取检测结果误差值；
基于所述检测结果误差值修正所述生长要素提炼模型的内部变量，得到所述生长要素提炼模型。
作为一种实施方案，所述基于所述当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体与所述第一健康检测结果表示载体的生长状态要素表示载体之间的误差，获取检测结果误差值，包括：
从所述当前作物生长图像学习样例对应的健康检测结果表示载体中确定第二健康检测结果表示载体；其中，所述第二健康检测结果表示载体为所述当前作物生长图像对应的健康检测结果表示载体中排开所述第一健康检测结果表示载体后后的表示载体；
将所述第二健康检测结果表示载体输入所述生长要素提炼模型中，得到所述第二健康检测结果表示载体的生长状态要素表示载体；
确定所述第二健康检测结果表示载体的生长状态要素表示载体与所述第一健康检测结果表示载体的生长状态要素表示载体间的空间距离，得到所述检测结果误差值。
第二方面，本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本申请至少具有的有益效果：本申请在获取了监控设备拍摄的当前作物生长图像的图像要素表示载体以及历史作物生长图像的图像要素表示载体后，将当前作物生长图像的图像要素表示载体以及历史作物生长图像的图像要素表示载体输入生长要素提炼模型以获得当前作物生长图像的光流信息要素表示载体。再将当前作物生长图像的图像要素表示载体进行特征提取操作得到当前作物生长图像的特征提炼要素表示载体后，将当前作物生长图像的特征提炼要素表示载体和当前作物生长图像的光流信息要素表示载体一并作为作物生长监控模型的执行数据，检测得到当前作物生长图像的作物生长状态，能基于作物生长状态表征当前作物生长图像对应的各个作物部位的健康检测结果。换言之，本申请针对当前作物生长图像的生长状态检测，是在当前作物生长图像对应的监测图像集中挖掘得到光流信息，也就是同时将当前作物生长图像的图像要素表示载体和相应的光流信息要素表示载体进行分析，不仅仅取决于历史作物生长图像的健康检测结果，减少对当前作物生长图像进行生长状态检测得到的作物生长状态的误检，以增加生长状态检测的准确度。
在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1是本申请实施例提供的基于人工智能的作物生长监控方法的应用场景示意图。
图2是本申请实施例提供的一种基于人工智能的作物生长监控方法的流程图。
图3是本申请实施例提供的作物生长监控装置的功能模块架构示意图。
图4是本申请实施例提供的一种计算机设备的组成示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”等类似术语，仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
本申请实施例提供的基于人工智能的作物生长监控方法可以由计算机设备执行，其中计算机设备可以是笔记本电脑，平板电脑，台式计算机，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)等各种类型的终端，也可以实施为服务器。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
下面，将说明计算机设备实施为服务器时的示例性应用，将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
图1是本申请实施例提供的基于人工智能的作物生长监控方法的应用场景示意图。本申请实施例中，多个监控设备100通过网络200和计算机设备300进行通信，计算机设备300用于执行本申请实施例提供的方法。具体地，本申请实施例提供了一种基于人工智能的作物生长监控方法，该方法应用于计算机设备，如图2所示，该方法包括：
Step101，获取监控设备拍摄的目标作物的当前作物生长图像和历史作物生长图像。
监控设备可以是安装于作物生长区域的摄像机，数量不做限定，拍摄作物的周期根据作物的生长周期进行设置，例如对于生长较为缓慢的作物，可以设置对应较长的拍摄周期，对于生长较为快速的作物或者受外界因素影响较大的作物，可以设置较短的拍摄周期。每一个周期的拍摄过程中，拍摄的作物的作物生长图像可以为一张或多张，如果是多张，在进行分析时，可以将多张作物生长图像中质量最高的作为分析对象，或者多张生长图像分别对应作物的不同角度，通过拼接的方式，得到作物的全景图像，将全景图像作为分析对象。历史作物生长图像为拍摄于当前作物生长图像之前的图像，例如上一周期拍摄的作物生长图像。可以理解，监控设备拍摄的目标作物的所有拍摄周期的图像构成目标作物的生长监控图像集。
Step102，获取当前作物生长图像的图像要素表示载体以及历史作物生长图像的图像要素表示载体。
当前作物生长图像为需要检测得到作物的各个部位的生长状态(健康检测结果)的图像，例如不同部位的叶子、根茎、花瓣、果实等，在出现异常生长状态时，可能引起的原因包括各类虫害、病害、草害或自然灾害等，不同灾害引起的作物呈现状态不同，通过本申请提供的方法检测作物各个部位的健康状态后，得到检测结果。在此之前，需要先获取作物生长图像的图像要素表示载体，图像要素是表示图像主要描述特征的要素信息，例如纹理、颜色、形状、层次、上下文等特征要素，图像要素表示载体是图像对应的要素特征的矢量表示载体，载体的形式可以为向量、数组、矩阵、张量等，例如图像要素表示载体可以为图像的特征向量。
本申请的一个实施方式里，当前作物生长图像的图像要素表示载体可以通过先获取当前作物生长图像，再将当前作物生长图像输入图像要素表示载体抽取模型，得到当前作物生长图像的图像要素表示载体。其中，图像要素表示载体抽取模型为通过作物生长图像学习样例为训练样本进行训练得到的人工智能模型，如卷积神经网络模型、循环神经网络模型、YOLO、Faster R-CNN、SSD。由于图像要素表示载体抽取模型是事先训练的人工智能模型，同时图像要素表示载体抽取模型是基于挖掘图像要素表示载体为训练目标，以作物生长图像学习样例为训练样本进行训练得到的人工智能模型，所以在获取当前作物生长图像后，可以依据图像要素表示载体抽取模型对当前作物生长图像进行处理，这样获得对应的当前作物生长图像的图像要素表示载体。此外，获取当前作物生长图像后，可通过周期信息确定当前作物生长图像的历史作物生长图像，在获得历史作物生长图像后，将历史作物生长图像输入图像要素表示载体抽取模型，提取历史作物生长图像的图像要素表示载体。当前作物生长图像的图像要素表示载体以及历史作物生长图像的图像要素表示载体可以至少包括纹理特征、颜色特征、形状特征、层次特征等。
Step103，将当前作物生长图像的图像要素表示载体、历史作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到当前作物生长图像的光流信息要素表示载体。
以上实施方式，生长要素提炼模型为基于当前作物生长图像学习样例的光流信息要素表示载体为调校目标，以当前作物生长图像学习样例的图像要素表示载体、当前作物生长图像学习样例对应的健康检测结果表示载体、历史作物生长图像学习样例的图像要素表示载体以及历史作物生长图像学习样例对应的历史健康检测结果表示载体为训练样本进行训练获得的人工智能模型，其中，光流信息是表示作物生长图像中的多个像素点在当前作物生长图像学习样例和历史作物生长图像学习样例之间偏移的信息。针对当前作物生长图像学习样例对应的健康检测结果表示载体，可以在确定当前作物生长图像学习样例后，得到对应的健康检测结果。之后，可以通过预训练得到的健康检测结果表示载体挖掘模型来挖掘当前作物生长图像学习样例的健康检测结果表示载体，得到相应的当前作物生长图像学习样例对应的健康检测结果表示载体，对于历史作物生长图像学习样例对应的历史健康检测结果表示载体，可以按照相同思路进行挖掘得到。
按照上述实施例，获取了当前作物生长图像学习样例的图像要素表示载体、当前作物生长图像学习样例对应的健康检测结果表示载体、历史作物生长图像学习样例的图像要素表示载体和历史作物生长图像学习样例对应的历史健康检测结果表示载体后，基于当前作物生长图像学习样例的光流信息要素表示载体为调校目标，采用人工智能对得到当前作物生长图像的图像要素表示载体、当前作物生长图像学习样例对应的健康检测结果表示载体、历史作物生长图像学习样例的图像要素表示载体和历史作物生长图像学习样例对应的历史健康检测结果表示载体进行训练，得到生长要素提炼模型，该模型可以在当前作物生长图像中挖掘对应的光流信息。
在利用生长要素提炼模型进行光流信息要素表示载体挖掘之前，需要先部署训练它，在训练时，对获取的当前作物生长图像学习样例的图像要素表示载体进行表示载体清洗(即将对应的表征载体删除)和表示载体掩盖(即将对应的表征载体进行掩盖，或遮挡)，得到第一学习样例表示载体。举例而言，设当前作物生长图像学习样例的图像要素表示载体为c1、c2、c3、c4，对部分图像要素表示载体进行清洗和掩盖，得到的第一学习样例表示载体为c1、c3、c4。基于一样的操作方式，对当前作物生长图像学习样例对应的健康检测结果表示载体也进行表示载体清洗和表示载体掩盖中的，得到第一健康检测结果表示载体。
进一步地，对历史作物生长图像学习样例的图像要素表示载体、历史作物生长图像学习样例对应的历史健康检测结果表示载体进行表示载体清洗和表示载体掩盖，得到第一历史学习样例表示载体和第一历史健康检测结果表示载体。
按照上述实施方案，在得到第一学习样例表示载体、第一健康检测结果表示载体、第一历史学习样例表示载体以及第一历史健康检测结果表示载体后，将第一学习样例表示载体、第一健康检测结果表示载体、第一历史学习样例表示载体和第一历史健康检测结果表示载体作为训练样本对生长要素提炼模型进行训练，以完成挖掘当前作物生长图像学习样例的光流信息要素表示载体的调校目标。
在模型的训练环节，通过误差函数调节生长要素提炼模型的参数，以提高模型效果，本申请中的误差函数包括重建误差函数、图像误差函数和检测结果误差函数，接下来以重建误差函数、图像误差函数和检测结果误差函数为对象对训练生长要素提炼模型的过程进行介绍：
首先，基于重建误差函数训练生长要素提炼模型时：
可选地，基于人工智能的作物生长监控方法还包括：将第一学习样例表示载体和第一健康检测结果表示载体输入生长要素提炼模型中，得到第一生长状态要素表示载体，然后基于第一生长状态要素表示载体和当前作物生长图像学习样例的生长状态要素表示载体之间的误差，获取重建误差值，其中，当前作物生长图像学习样例的生长状态要素表示载体是将当前作物生长图像学习样例的图像要素表示载体和当前作物生长图像学习样例对应的健康检测结果表示载体输入生长要素提炼模型后获取的生长状态特征，最后基于重建误差值修正生长要素提炼模型的内部变量(即各类参数，如学习率、权重、偏置量、各类超参等)，得到生长要素提炼模型。
在重建误差函数的输出结果计算时，可以先将第一学习样例表示载体和第一健康检测结果表示载体输入生长要素提炼模型，得到第一生长状态要素表示载体。第一生长状态要素表示载体可以是清洗和掩盖部分学习样例表示载体和健康检测结果表示载体后对应的表示载体。接着，通过确定出的第一生长状态要素表示载体和当前作物生长图像学习样例的生长状态要素表示载体之间的误差，获取重建误差值。按照上述实施方案，即可基于重建误差值不断修正生长要素提炼模型的内部变量，得到生长要素提炼模型。
其中，需要注意的是，当前作物生长图像学习样例的生长状态要素表示载体是将当前作物生长图像学习样例的图像要素表示载体和当前作物生长图像学习样例对应的健康检测结果表示载体输入生长要素提炼模型后获取的生长状态特征。换言之，当前作物生长图像学习样例的生长状态要素表示载体没有清洗和掩盖部分学习样例表示载体和健康检测结果表示载体之前对应的表示载体。
另外，在基于图像误差函数训练生长要素提炼模型时：
本申请的一个实施方式里，在将图像误差函数纳入考虑时，基于图像误差函数的输出结果(图像误差值)来修正生长要素提炼模型的内部变量，得到生长要素提炼模型。本申请提供的方法还包括：将当前作物生长图像学习样例的图像要素表示载体、第一学习样例表示载体分别输入生长要素提炼模型，得到当前作物生长图像学习样例对应的生长状态要素表示载体、第一学习样例表示载体对应的生长状态要素表示载体，再基于当前作物生长图像学习样例对应的生长状态要素表示载体和第一学习样例表示载体对应的生长状态要素表示载体之间的误差，获取图像误差值，最后基于图像误差值修正生长要素提炼模型的内部变量，得到生长要素提炼模型。
以上实施方式中，当前作物生长图像学习样例对应的生长状态要素表示载体可以认为是所有当前作物生长图像学习样例的图像要素表示载体没被清洗和掩盖前对应的表示载体；第一学习样例表示载体对应的生长状态要素表示载体可以认为是当前作物生长图像学习样例的部分图像要素表示载体已被清洗和掩盖后的表示载体。
按照上述实施方案，通过确定出第一学习样例表示载体对应的生长状态要素表示载体和当前作物生长图像学习样例的生长状态要素表示载体之间的误差，获取图像误差值，即可基于图像误差值持续修正生长要素提炼模型的内部变量，训练得到生长要素提炼模型。
例如，针对图像误差值，可以采用如下过程进行确定，那么，基于当前作物生长图像学习样例对应的生长状态要素表示载体和第一学习样例表示载体对应的生长状态要素表示载体之间的误差，获取图像误差值，具体包括：确定当前作物生长图像学习样例对应的生长状态要素表示载体和第一学习样例表示载体对应的生长状态要素表示载体之间的第一表示载体相似评分，以及当前作物生长图像学习样例对应的生长状态要素表示载体与预设图像要素表示载体之间的第二表示载体相似评分；其中，预设图像要素表示载体为与当前作物生长图像学习样例不产生牵涉关系；基于第一表示载体相似评分和第二表示载体相似评分，确定图像误差值。
以上实施方式，可以采用相似性算法(如余弦相似度)确定当前作物生长图像学习样例对应的生长状态要素表示载体和第一学习样例表示载体对应的生长状态要素表示载体之间的第一表示载体相似评分，以及确定当前作物生长图像学习样例对应的生长状态要素表示载体与预设图像要素表示载体之间的第二表示载体相似评分。
按照上述实施方案，基于第一表示载体相似评分和第二表示载体相似评分，确定图像误差值。比如将第一表示载体相似评分G1和第二表示载体相似评分G2输入预设图像误差函数中，得到图像误差值。预设图像误差函数：
Error＝log(G1÷(G1+G2))
另外，在基于检测结果误差函数训练生长要素提炼模型时：
本申请的一个实施方式里，将检测结果误差函数进行考虑时，基于检测结果误差函数的输出结果(检测结果误差值)来修正生长要素提炼模型的内部变量，得到生长要素提炼模型。实际执行时，具体可以包括：将当前作物生长图像学习样例对应的健康检测结果表示载体、第一健康检测结果表示载体分别输入生长要素提炼模型中，得到当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体、第一健康检测结果表示载体的生长状态要素表示载体，然后基于当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体与第一健康检测结果表示载体的生长状态要素表示载体之间的误差，获取检测结果误差值，最后基于检测结果误差值修正生长要素提炼模型的内部变量，得到生长要素提炼模型。
以上实施方式，当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体，可以认为是所有当前作物生长图像学习样例对应的健康检测结果表示载体没被清洗和掩盖前对应的表示载体。第一健康检测结果表示载体对应的生长状态要素表示载体可以认为是当前作物生长图像学习样例对应的部分健康检测结果表示载体已被清洗和掩盖之后所对应的表示载体，可参照重建误差函数中的第一健康检测结果表示载体对应的生长状态要素表示载体的描述。
按照上述实施方案，通过确定出当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体和第一健康检测结果表示载体对应的生长状态要素表示载体之间的误差，获取检测结果误差值。按照上述实施方案，即可基于检测结果误差值持续修正生长要素提炼模型的内部变量，训练得到生长要素提炼模型。
例如，针对检测结果误差值的确定过程，基于以下方式进行，那么，基于当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体与第一健康检测结果表示载体的生长状态要素表示载体之间的误差，获取检测结果误差值，可以包括：从当前作物生长图像学习样例对应的健康检测结果表示载体中确定第二健康检测结果表示载体，其中，第二健康检测结果表示载体为当前作物生长图像对应的健康检测结果表示载体中除了第一健康检测结果表示载体后的表示载体，然后将第二健康检测结果表示载体输入生长要素提炼模型，得到第二健康检测结果表示载体的生长状态要素表示载体，最后确定第二健康检测结果表示载体的生长状态要素表示载体与第一健康检测结果表示载体的生长状态要素表示载体间的空间距离，得到检测结果误差值。
以上实施方式，因为第一健康检测结果表示载体是对当前作物生长图像学习样例对应的健康检测结果表示载体进行表示载体清洗和掩盖后余下的健康检测结果表示载体，所以可以在当前作物生长图像学习样例对应的健康检测结果表示载体中确定出第二健康检测结果表示载体，即，第二健康检测结果表示载体为当前作物生长图像对应的健康检测结果表示载体中排开第一健康检测结果表示载体后剩下的表示载体。也可以说第二健康检测结果表示载体是在当前作物生长图像学习样例对应的健康检测结果表示载体中被清洗和掩盖的健康检测结果表示载体。
接下来将第一健康检测结果表示载体输入生长要素提炼模型，得到对应的第一健康检测结果表示载体的生长状态要素表示载体。同时，将第二健康检测结果表示载体输入生长要素提炼模型中，得到相应的第二健康检测结果表示载体的生长状态要素表示载体。按照上述实施方案，通过预设检测结果误差函数，确定第二健康检测结果表示载体的生长状态要素表示载体与第一健康检测结果表示载体的生长状态要素表示载体间的空间距离，即可获得对应的检测结果误差值。
其中，需要注意的是，预设检测结果误差函数可以为：
Error1＝-logP(V2,V1)
其中，V2即第二健康检测结果表示载体的生长状态要素表示载体，V1即第一健康检测结果表示载体的生长状态要素表示载体，Error1即第二健康检测结果表示载体的生长状态要素表示载体与第一健康检测结果表示载体的生长状态要素表示载体间的空间距离，即检测结果误差值。
其中，需要注意的是，针对历史作物生长图像学习样例的图像要素表示载体、历史作物生长图像学习样例对应的历史健康检测结果表示载体，同样按照前述的三个部分的内容确定对应的误差，训练得到生长要素提炼模型，将以上分别确定得到的重建误差值、检测结果误差值以及图像误差值同步进行生长要素提炼模型的内部变量的修正，训练得到生长要素提炼模型。
训练得到生长要素提炼模型后，基于生长要素提炼模型完成对当前作物生长图像的光流信息要素表示载体的挖掘。具体地，在本申请实施例提供的基于人工智能的作物生长监控方法的另一实施方式中，包括步骤Step1031～Step1033：
Step1031，将当前作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到当前作物生长图像的生长状态要素表示载体。
以上实施方式，生长要素提炼模型可以参考以上Step103中的生长要素提炼模型的内容，获取到当前作物生长图像的图像要素表示载体后，可将当前作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到当前作物生长图像的生长状态要素表示载体，当前作物生长图像的生长状态要素表示载体，也可以认为是当前的当前作物生长图像的检测结果表示载体。
例如，将当前作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到当前作物生长图像的生长状态要素表示载体，包括：将当前作物生长图像的图像要素表示载体和预设尺寸的零值拼接张量(即组成元素全部为零值的张量)进行融合操作，得到融合后的第一图像要素表示载体，然后将融合后的第一图像要素表示载体输入生长要素提炼模型，得到当前作物生长图像的生长状态要素表示载体。
以上实施方式，因为在生长要素提炼模型的训练中，生长要素提炼模型为基于图像要素表示载体和健康检测结果表示载体组建的样本组为训练对象，在运行生长要素提炼模型时，因为仅输入当前作物生长图像的图像要素表示载体，这个时候，可使用零值拼接张量来对一开始在训练中健康检测结果表示载体对应的空间长度进行填补，例如将当前作物生长图像的图像要素表示载体和预设尺寸的零值拼接张量进行融合操作，得到融合后的第一图像要素表示载体后，将融合后的第一图像要素表示载体输入生长要素提炼模型，得到当前作物生长图像的生长状态要素表示载体。其中，需要注意的是，当前作物生长图像的生长状态要素表示载体可以表征独自从当前作物生长图像中学习的检测结果表示载体。
Step1032，将历史作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到历史作物生长图像的生长状态要素表示载体。
以上实施方式，所述生长要素提炼模型可以参考以上Step103的生长要素提炼模型的内容，在获取到历史作物生长图像的图像要素表示载体后，可直接将历史作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到历史作物生长图像的生长状态要素表示载体。例如，将历史作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到历史作物生长图像的生长状态要素表示载体，可以包括：将历史作物生长图像的图像要素表示载体和预设尺寸的零值拼接张量进行融合操作(例如拼接)，得到融合后的第二图像要素表示载体，然后将融合后的第二图像要素表示载体输入生长要素提炼模型，获取历史作物生长图像的生长状态要素表示载体。
以上实施方式，因为在生长要素提炼模型的训练过程中，该生长要素提炼模型为基于图像要素表示载体和健康检测结果表示载体组成的样本组作为样本，在运行生长要素提炼模型时，因为仅输入历史作物生长图像的图像要素表示载体，所以可基于零值拼接张量来对一开始训练中健康检测结果表示载体对应的空间长度进行填补，例如将历史作物生长图像的图像要素表示载体和预设尺寸的零值拼接张量进行融合操作，得到融合后的第二图像要素表示载体后，将融合后的第二图像要素表示载体输入生长要素提炼模型，得到历史作物生长图像的生长状态要素表示载体。其中，需要注意的是，历史作物生长图像的生长状态要素表示载体可以表征独自在历史作物生长图像学习的检测结果表示载体。
Step1033，将当前作物生长图像的生长状态要素表示载体和历史作物生长图像的生长状态要素表示载体进行聚合操作，得到当前作物生长图像的光流信息要素表示载体。
以上实施方式，在得到当前作物生长图像的生长状态要素表示载体和历史作物生长图像的生长状态要素表示载体后，可以将当前作物生长图像的生长状态要素表示载体和历史作物生长图像的生长状态要素表示载体进行聚合操作(例如相加、拼接、连接等操作)。按照上述实施方案，聚合操作后得到的生长状态要素表示载体可作为当前作物生长图像的光流信息要素表示载体。比如依据时序将当前作物生长图像的生长状态要素表示载体拼接在历史作物生长图像的生长状态要素表示载体后，这样就得到当前作物生长图像的光流信息要素表示载体。
Step104，对当前作物生长图像的图像要素表示载体进行特征提取操作，得到当前作物生长图像的特征提炼要素表示载体。
以上实施方式，在得到当前作物生长图像的图像要素表示载体后，可以对当前作物生长图像的图像要素表示载体进行特征提取操作，特征提取操作的过程即编码的过程。例如，可以基于作物生长监控模型中的特征提取模型对当前作物生长图像的图像要素表示载体进行特征提取操作，得到当前作物生长图像的特征提炼要素表示载体。
所述特征提取模型具体可以是基于注意力机制构建的模型，其可以包括卷积算子、交叉注意力算子和感知机算子。具体地，得到当前作物生长图像的图像要素表示载体后，将当前作物生长图像的图像要素表示载体输入到交叉注意力算子，输出表示载体Vi，将Vi作为卷积算子的执行数据，输出表示载体Vc，接着将Vc作为感知机算子的执行数据，得到当前作物生长图像的特征提炼要素表示载体Vz。
其中，需要注意的是，可以先进行Step104，然后进行Step103，或者先进行Step103，后进行Step104，也可以是Step103和Step103同步执行。
Step105，基于作物生长监控模型对当前作物生长图像的特征提炼要素表示载体和当前作物生长图像的光流信息要素表示载体进行生长状态检测，得到当前作物生长图像的作物生长状态，作物生长状态用以反映当前作物生长图像对应的各个作物部位的健康检测结果。
以上实施方式，所述作物生长监控模型为基于检测当前作物生长图像的健康检测结果为调校目标，基于当前作物生长图像学习样例的图像要素表示载体、当前作物生长图像学习样例对应的健康检测结果表示载体为训练样本进行训练获得的人工智能模型。换言之，作物生长监控模型的训练样本需要聚焦在当前作物生长图像学习样例的图像要素表示载体和当前作物生长图像学习样例对应检测结果的健康检测结果表示载体。按照上述实施方案，以当前作物生长图像学习样例的健康检测结果为调校目标，当前作物生长图像学习样例的图像要素表示载体和当前作物生长图像学习样例对应的健康检测结果表示载体作为训练样本进行训练，部署即训练以获得作物生长监控模型。其中，需要注意的是，所述当前作物生长图像学习样例的图像要素表示载体和当前作物生长图像学习样例对应的健康检测结果表示载体参考Step103的内容。
按照上述实施方案，在得到当前作物生长图像的特征提炼要素表示载体和光流信息要素表示载体后，可将当前作物生长图像的特征提炼要素表示载体和光流信息要素表示载体作为作物生长监控模型的执行数据，基于作物生长监控模型中的还原解析模型进行还原解析，也就是进行解码的过程，得到当前作物生长图像的作物生长状态。
其中，还原解析模型可以包括多头交叉注意力算子和多头注意力算子，例如，在获取到当前作物生长图像后，将当前作物生长图像作为多头交叉注意力算子的执行数据，得到表示载体Vo，再将Vo和当前作物生长图像的特征提炼要素表示载体Vi作为多头注意力算子的执行数据，得到表示载体Vm，最后将Vm和光流信息要素表示载体输入下一层多头注意力算子，获得当前作物生长图像的作物生长状态。其中，需要注意的是，所述光流信息要素表示载体、特征提炼要素表示载体、当前作物生长图像的图像要素表示载体可以参考Step102～Step104。
例如，本申请的一个实施方式里，基于作物生长监控模型对当前作物生长图像的特征提炼要素表示载体以及当前作物生长图像的光流信息要素表示载体进行生长状态检测，得到当前作物生长图像的作物生长状态，可以包括：将当前作物生长图像的特征提炼要素表示载体和当前作物生长图像的光流信息要素表示载体输入作物生长监控模型，得到当前作物生长图像中每个目标区域的推测状态可信权重，再基于每个目标区域的推测状态可信权重确定当前作物生长图像的作物生长状态。
以上实施方式，因为当前作物生长图像是目标作物的生长监控图像集中的一个作物生长监控图像，则在将当前作物生长图像的特征提炼要素表示载体和当前作物生长图像的光流信息要素表示载体输入作物生长监控模型，可得到当前作物生长图像中每个目标区域(例如叶、花、根、果实)的推测状态可信权重。再从全部的目标区域对应的检测结果的推测状态可信权重中确定出当前作物生长图像的作物生长状态。例如在全部目标区域的推测状态可信权重中确定得到最大的推测状态可信权重，将最大的推测状态可信权重对应的检测结果作为作物生长状态。
本申请在获取到当前作物生长图像的图像要素表示载体和历史作物生长图像的图像要素表示载体后，将当前作物生长图像的图像要素表示载体以及历史作物生长图像的图像要素表示载体输入到该生长要素提炼模型中，获得相应的当前作物生长图像的光流信息要素表示载体。按照上述实施方案，再将当前作物生长图像的图像要素表示载体、当前作物生长图像的光流信息要素表示载体一并作为作物生长监控模型的执行数据，检测得到该当前作物生长图像的作物生长状态，能够通过该作物生长状态指示出当前作物生长图像对应的各个作物部位的健康检测结果。换言之，本申请针对当前作物生长图像的生长状态检测，是在当前作物生长图像对应的监测图像集中挖掘得到光流信息，也就是同时将当前作物生长图像的图像要素表示载体以及相应的光流信息要素表示载体，不仅仅取决于历史作物生长图像的健康检测结果，减少对当前作物生长图像的生长状态检测得到的作物生长状态的误检，以增加生长状态检测的准确度。
基于上述实施例，本申请实施例提供一种作物生长监控装置，图3是本申请实施例提供的一种作物生长监控装置340，如图3所示，所述装置340包括：
作物图像获取模块341，用于获取所述监控设备拍摄的目标作物的当前作物生长图像和历史作物生长图像；
图像载体挖掘模块342，用于获取所述当前作物生长图像的图像要素表示载体以及历史作物生长图像的图像要素表示载体；其中，所述历史作物生长图像为拍摄于所述当前作物生长图像前的至少一张作物生长监控图像；
光流信息获取模块343，用于将所述当前作物生长图像的图像要素表示载体、所述历史作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到所述当前作物生长图像的光流信息要素表示载体；
载体特征提取模块344，用于对所述当前作物生长图像的图像要素表示载体进行特征提取操作，得到所述当前作物生长图像的特征提炼要素表示载体；
生长状态确定模块345，用于基于作物生长监控模型对所述当前作物生长图像的特征提炼要素表示载体和所述当前作物生长图像的光流信息要素表示载体进行生长状态检测，得到所述当前作物生长图像的作物生长状态，所述作物生长状态用以反映所述当前作物生长图像对应的各个作物部位的健康检测结果。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。
本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software DevelopmentKit，SDK)等等。
需要说明的是，图4是本申请实施例提供的一种计算机设备的硬件实体示意图，如图4所示，该计算机设备300的硬件实体包括：处理器310、通信接口320和存储器330，其中：处理器310通常控制计算机设备300的总体操作。通信接口320可以使计算机设备通过网络与其他终端或服务器通信。存储器330配置为存储由处理器310可执行的指令和应用，还可以缓存待处理器310以及计算机设备300中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。处理器310、通信接口320和存储器330之间可以通过总线340进行数据传输。这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的作物生长监控方法，其特征在于，应用于计算机设备，所述计算机设备与监控设备通信连接，所述方法包括：
获取所述监控设备拍摄的目标作物的当前作物生长图像和历史作物生长图像；
获取所述当前作物生长图像的图像要素表示载体以及历史作物生长图像的图像要素表示载体；其中，所述历史作物生长图像为拍摄于所述当前作物生长图像前的至少一张作物生长监控图像；
将所述当前作物生长图像的图像要素表示载体、所述历史作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到所述当前作物生长图像的光流信息要素表示载体；
对所述当前作物生长图像的图像要素表示载体进行特征提取操作，得到所述当前作物生长图像的特征提炼要素表示载体；
基于作物生长监控模型对所述当前作物生长图像的特征提炼要素表示载体和所述当前作物生长图像的光流信息要素表示载体进行生长状态检测，得到所述当前作物生长图像的作物生长状态，所述作物生长状态用以反映所述当前作物生长图像对应的各个作物部位的健康检测结果。
2.如权利要求1所述的方法，其特征在于，所述将所述当前作物生长图像的图像要素表示载体、所述历史作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到所述当前作物生长图像的光流信息要素表示载体，包括：
将所述当前作物生长图像的图像要素表示载体作为所述生长要素提炼模型的执行数据，得到所述当前作物生长图像的生长状态要素表示载体；
将所述历史作物生长图像的图像要素表示载体作为所述生长要素提炼模型的执行数据，得到所述历史作物生长图像的生长状态要素表示载体；
将所述当前作物生长图像的生长状态要素表示载体和所述历史作物生长图像的生长状态要素表示载体进行聚合操作，得到所述当前作物生长图像的光流信息要素表示载体。
3.如权利要求2所述的方法，其特征在于，所述基于所述作物生长监控模型对所述当前作物生长图像的特征提炼要素表示载体以及所述当前作物生长图像的光流信息要素表示载体进行生长状态检测，得到所述当前作物生长图像的作物生长状态，包括：
将所述当前作物生长图像的特征提炼要素表示载体和所述当前作物生长图像的光流信息要素表示载体输入至所述作物生长监控模型，得到所述当前作物生长图像中每个目标区域的推测状态可信权重；
基于所述每个目标区域的推测状态可信权重确定所述当前作物生长图像的作物生长状态；
所述将所述当前作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到所述当前作物生长图像的生长状态要素表示载体，包括：
将所述当前作物生长图像的图像要素表示载体和预设尺寸的零值拼接张量进行融合操作，得到融合后的第一图像要素表示载体；
将所述融合后的第一图像要素表示载体输入至所述生长要素提炼模型中，获取所述当前作物生长图像的生长状态要素表示载体；
所述将所述历史作物生长图像的图像要素表示载体作为所述生长要素提炼模型的执行数据，得到所述历史作物生长图像的生长状态要素表示载体，包括：
将所述历史作物生长图像的图像要素表示载体和预设尺寸的零值拼接张量进行融合操作，得到融合后的第二图像要素表示载体；
将所述融合后的第二图像要素表示载体输入至所述生长要素提炼模型中，获取所述历史作物生长图像的生长状态要素表示载体。
4.如权利要求1所述的方法，其特征在于，所述获取当前作物生长图像的图像要素表示载体，包括：
获取所述当前作物生长图像；
将所述当前作物生长图像输入图像要素表示载体抽取模型，得到所述当前作物生长图像的图像要素表示载体，其中，所述图像要素表示载体抽取模型为通过作物生长图像学习样例进行训练得到的人工智能模型；
所述生长要素提炼模型通过以下步骤训练得到：
获取当前作物生长图像学习样例的图像要素表示载体和所述当前作物生长图像学习样例对应的健康检测结果表示载体；
对所述当前作物生长图像学习样例的图像要素表示载体进行表示载体清洗和表示载体掩盖处理，得到第一学习样例表示载体，并对所述当前作物生长图像学习样例对应的健康检测结果表示载体进行表示载体清洗和表示载体掩盖处理，得到第一健康检测结果表示载体；
获取历史作物生长图像学习样例的图像要素表示载体以及所述历史作物生长图像学习样例对应的历史健康检测结果表示载体；
对所述历史作物生长图像学习样例的图像要素表示载体进行表示载体清洗和表示载体掩盖处理，得到第一历史学习样例表示载体，并对所述历史作物生长图像学习样例对应的历史健康检测结果表示载体进行表示载体清洗和表示载体掩盖处理，得到第一历史健康检测结果表示载体；
基于所述第一学习样例表示载体、所述第一健康检测结果表示载体、所述第一历史学习样例表示载体以及所述第一历史健康检测结果表示载体，对所述生长要素提炼模型进行迭代训练。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
将所述第一学习样例表示载体和所述第一健康检测结果表示载体输入至所述生长要素提炼模型中，以得到第一生长状态要素表示载体；
基于所述第一生长状态要素表示载体和所述当前作物生长图像学习样例的生长状态要素表示载体之间的误差，获取重建误差值；其中，所述当前作物生长图像学习样例的生长状态要素表示载体是将所述当前作物生长图像学习样例的图像要素表示载体和所述当前作物生长图像学习样例对应的健康检测结果表示载体输入所述生长要素提炼模型后获取的生长状态特征；
基于所述重建误差值修正所述生长要素提炼模型的内部变量，得到所述生长要素提炼模型。
6.如权利要求4所述的方法，其特征在于，所述方法还包括：
将所述当前作物生长图像学习样例的图像要素表示载体、所述第一学习样例表示载体分别输入所述生长要素提炼模型，得到所述当前作物生长图像学习样例对应的生长状态要素表示载体、所述第一学习样例表示载体对应的生长状态要素表示载体；
基于所述当前作物生长图像学习样例对应的生长状态要素表示载体和所述第一学习样例表示载体对应的生长状态要素表示载体之间的误差，获取图像误差值；
基于所述图像误差值修正所述生长要素提炼模型的内部变量，得到所述生长要素提炼模型。
7.如权利要求6所述的方法，其特征在于，所述基于所述当前作物生长图像学习样例对应的生长状态要素表示载体和所述第一学习样例表示载体对应的生长状态要素表示载体之间的误差，获取图像误差值，包括：
确定所述当前作物生长图像学习样例对应的生长状态要素表示载体和所述第一学习样例表示载体对应的生长状态要素表示载体之间的第一表示载体相似评分，以及所述当前作物生长图像学习样例对应的生长状态要素表示载体与预设图像要素表示载体之间的第二表示载体相似评分，其中，所述预设图像要素表示载体与所述当前作物生长图像学习样例不产生牵涉关系；
基于所述第一表示载体相似评分和所述第二表示载体相似评分，确定图像误差值。
8.如权利要求4所述的方法，其特征在于，所述方法还包括：
将所述当前作物生长图像学习样例对应的健康检测结果表示载体、所述第一健康检测结果表示载体分别输入所述生长要素提炼模型，得到所述当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体、所述第一健康检测结果表示载体的生长状态要素表示载体；
基于所述当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体与所述第一健康检测结果表示载体的生长状态要素表示载体之间的误差，获取检测结果误差值；
基于所述检测结果误差值修正所述生长要素提炼模型的内部变量，得到所述生长要素提炼模型。
9.如权利要求8所述的方法，其特征在于，所述基于所述当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体与所述第一健康检测结果表示载体的生长状态要素表示载体之间的误差，获取检测结果误差值，包括：
从所述当前作物生长图像学习样例对应的健康检测结果表示载体中确定第二健康检测结果表示载体；其中，所述第二健康检测结果表示载体为所述当前作物生长图像对应的健康检测结果表示载体中排开所述第一健康检测结果表示载体后后的表示载体；
将所述第二健康检测结果表示载体输入所述生长要素提炼模型中，得到所述第二健康检测结果表示载体的生长状态要素表示载体；
确定所述第二健康检测结果表示载体的生长状态要素表示载体与所述第一健康检测结果表示载体的生长状态要素表示载体间的空间距离，得到所述检测结果误差值。
10.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310962431.5A CN117237800B (zh) | 2023-08-01 | 2023-08-01 | 基于人工智能的作物生长监控方法及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310962431.5A CN117237800B (zh) | 2023-08-01 | 2023-08-01 | 基于人工智能的作物生长监控方法及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117237800A true CN117237800A (zh) | 2023-12-15 |
| CN117237800B CN117237800B (zh) | 2024-06-14 |
Family
ID=89090042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310962431.5A Active CN117237800B (zh) | 2023-08-01 | 2023-08-01 | 基于人工智能的作物生长监控方法及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237800B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101822410B1 (ko) * | 2016-07-22 | 2018-01-29 | 아인정보기술 주식회사 | 작물 영상을 사용한 작물 생육 진단 장치 |
| CN110150034A (zh) * | 2019-06-26 | 2019-08-23 | 山东友和菌业有限公司 | 基于光流法进行金针菇培育的培育箱 |
| CN110378241A (zh) * | 2019-06-25 | 2019-10-25 | 北京百度网讯科技有限公司 | 作物生长状态监控方法、装置、计算机设备及存储介质 |
| CN112396074A (zh) * | 2019-08-15 | 2021-02-23 | 广州虎牙科技有限公司 | 基于单目图像的模型训练方法、装置及数据处理设备 |
| CN113128576A (zh) * | 2021-04-02 | 2021-07-16 | 中国农业大学 | 基于深度学习图像分割的作物行检测方法及装置 |
| WO2022105118A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技（深圳）有限公司 | 基于图像的健康状态识别方法、装置、设备及存储介质 |
| CN114818909A (zh) * | 2022-04-22 | 2022-07-29 | 北大荒信息有限公司 | 一种基于作物长势特征的杂草检测方法和装置 |
| CN115908424A (zh) * | 2023-02-14 | 2023-04-04 | 广东建准检测技术有限公司 | 基于三维激光扫描的建筑物健康检测方法、系统及介质 |
| CN116051996A (zh) * | 2023-01-13 | 2023-05-02 | 大连东软信息学院 | 一种基于多模态信息的二阶段农作物生长预测方法 |
-
2023
- 2023-08-01 CN CN202310962431.5A patent/CN117237800B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101822410B1 (ko) * | 2016-07-22 | 2018-01-29 | 아인정보기술 주식회사 | 작물 영상을 사용한 작물 생육 진단 장치 |
| CN110378241A (zh) * | 2019-06-25 | 2019-10-25 | 北京百度网讯科技有限公司 | 作物生长状态监控方法、装置、计算机设备及存储介质 |
| CN110150034A (zh) * | 2019-06-26 | 2019-08-23 | 山东友和菌业有限公司 | 基于光流法进行金针菇培育的培育箱 |
| CN112396074A (zh) * | 2019-08-15 | 2021-02-23 | 广州虎牙科技有限公司 | 基于单目图像的模型训练方法、装置及数据处理设备 |
| WO2022105118A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技（深圳）有限公司 | 基于图像的健康状态识别方法、装置、设备及存储介质 |
| CN113128576A (zh) * | 2021-04-02 | 2021-07-16 | 中国农业大学 | 基于深度学习图像分割的作物行检测方法及装置 |
| CN114818909A (zh) * | 2022-04-22 | 2022-07-29 | 北大荒信息有限公司 | 一种基于作物长势特征的杂草检测方法和装置 |
| CN116051996A (zh) * | 2023-01-13 | 2023-05-02 | 大连东软信息学院 | 一种基于多模态信息的二阶段农作物生长预测方法 |
| CN115908424A (zh) * | 2023-02-14 | 2023-04-04 | 广东建准检测技术有限公司 | 基于三维激光扫描的建筑物健康检测方法、系统及介质 |
Non-Patent Citations (3)
| Title |
|---|
| RODNEY TAI-CHU SHENG ET AL.: "Rice Growth Stage Classification via RF-Based Machine Learning and Image Processing", 《AGRICULTURE》, 12 December 2022 (2022-12-12), pages 1 - 23 * |
| XUEWEI WANG ET AL.: "Diseases Detection of Occlusion and Overlapping Tomato Leaves Based on Deep Learning", 《FRONTIERS IN PLANT SCIENCE》, vol. 12, 31 December 2021 (2021-12-31), pages 1 - 14 * |
| 秦博豪: "水稻生长状态物联网监控与评估算法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, 15 May 2020 (2020-05-15), pages 043 - 4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117237800B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107392091B (zh) | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 | |
| Yalcin | Plant phenology recognition using deep learning: Deep-Pheno | |
| CN110148120B (zh) | 一种基于cnn与迁移学习的病害智能识别方法及系统 | |
| Park et al. | Crops disease diagnosing using image-based deep learning mechanism | |
| CN112669323B (zh) | 图像处理方法及相关设备 | |
| CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
| CN116343201B (zh) | 谷粒类别识别方法、装置及计算机设备 | |
| CN114972264A (zh) | 一种基于MS-PLNet模型绿豆叶斑病识别方法及装置 | |
| Parez et al. | Towards Sustainable Agricultural Systems: A Lightweight Deep Learning Model for Plant Disease Detection. | |
| CN115797781A (zh) | 农作物识别方法、装置、计算机设备和存储介质 | |
| Yuan et al. | Sensitivity examination of YOLOv4 regarding test image distortion and training dataset attribute for apple flower bud classification | |
| Omer et al. | Plant disease diagnosing based on deep learning techniques | |
| CN115601585A (zh) | 基于图片分析的农业病虫害诊断方法及装置 | |
| Huang et al. | Few-shot learning based on Attn-CutMix and task-adaptive transformer for the recognition of cotton growth state | |
| CN117237800B (zh) | 基于人工智能的作物生长监控方法及计算机设备 | |
| Praba et al. | Foliar Disease Classification in Apple Trees | |
| Xiong et al. | EResNet‐SVM: an overfitting‐relieved deep learning model for recognition of plant diseases and pests | |
| CN117710820A (zh) | 基于改进YOLOv8的水稻病虫害检测方法及系统 | |
| CN115379150B (zh) | 可远程自动化生成水稻生长过程动态视频的系统和方法 | |
| JP7452879B2 (ja) | 予測システム、予測方法、および予測プログラム | |
| CN115147835A (zh) | 一种基于改进RetinaNet的自然果园场景下的凤梨成熟度检测方法 | |
| Sharma et al. | A review of plant diseases identification using deep learning | |
| San Woo et al. | End-to-end lightweight berry number prediction for supporting table grape cultivation | |
| Kishore et al. | Paddy Leaf Disease Detection using Deep Learning Methods | |
| Lv et al. | Cotton boll growth status recognition method under complex background based on semantic segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |